Построение полностью определенных нейро-нечетких сетей с регулярным разбиением пространства признаков на основе выборок большого объема

Abstract

RU: Решена проблема автоматизации синтеза моделей для классификации образов по признакам. Предложен метод синтеза нейро-нечетких моделей по прецедентам, способный получать полностью определенные нейромодели на основе регулярного разбиения признаков. Метод рассчитывает координаты центров кластеров как координаты центров прямоугольных блоков в пространстве интервалов признаков, а принадлежности кластеров к классам определяет по обучающей выборке: для кластеров, покрытых наблюдениями, принадлежность определяется по максимуму частоты экземпляров соответствующих классов в кластере, а для кластеров, не покрытых наблюдениями, принадлежность определятся по максимальному потенциалу, наводимому на данный кластер кластерами с известной принадлежностью к классам. Полученный набор кластеров-правил отображается в структуру нейро-нечеткой сети Мамдани, а ее параметры настраиваются на основе параметров разбиения признаков и центров кластеров. Предложенный метод не требует загрузки всей обучающей выборки в память ЭВМ и существенно ускоряет процесс синтеза моделей, обеспечивая при этом приемлемый уровень обобщения данных получаемой нейромоделью. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты, подтвердившие работоспособность разработанного математического обеспечения и позволяющие рекомендовать его для построения нейро-нечетких моделей на основе выборок большого объема. UK: Вирішено проблему автоматизації синтезу моделей для класифікації образів за ознаками. Запропоновано метод синтезу нейро-нечітких моделей за прецедентами, здатний одержувати цілком визначені нейромоделі на основі регулярного розбиття ознак. Метод розраховує координати центрів кластерів як координати центрів прямокутних блоків у просторі інтервалів ознак, а належності кластерів до класів визначає за навчальною вибіркою: для кластерів, покритих спостереженнями, належність визначається за максимумом частоти екземплярів відповідних класів у кластері, а для кластерів, не покритих спостереженнями, належність визначаться за максимальним потенціалом, що наводиться на даний кластер кластерами з відомою належністю до класів. Отриманий набір кластерів-правил відображається у структуру нейро-нечіткої мережі Мамдани, а її параметри налаштовуються на основі параметрів розбиття ознак і центрів кластерів. Запропонований метод не вимагає завантаження всієї навчальної вибірки в пам’ять ЕОМ та істотно прискорює процес синтезу моделей, забезпечуючи при цьому прийнятний рівень узагальнення даних одержуваною нейромоделлю. Розроблено програмне забезпечення, що реалізує запропонований метод, а також проведені експерименти, що підтвердили працездатність розробленого математичного забезпечення і що дозволяють рекомендувати його для побудови нейро-нечітких моделей на основі вибірок великого обсягу. EN: The problem of model synthesis automation for pattern classification on the features is solved. The method of neuro-fuzzy model synthesis on precedents is proposed. It is able to construct completely defined neural models based on the regular partition of a feature space. The method calculates the coordinates of the cluster centers as coordinates of the centers of rectangular blocks in the space of feature intervals and clusters membership to classes determine on the training set: for clusters containing observations the membership is determined by the maximum frequency of instances of the corresponding classes in the cluster, and for clusters that do not contain observations the membership is determined by the maximum potential induced on it by the clusters with known class membership. The resulting set of clusters-rules is mapped to the structure of Mamdani neuro-fuzzy network and its parameter values are calculated on the base of parameters of feature set partition and cluster centers. The proposed method does not require loading the entire training sample in the computer memory and speeds up the process of model synthesis providing an acceptable level of data generalization by obtained neural model. The software that implements the proposed method is developed. The experiments confirming the performance of developed mathematical support are conducted. They allow to recommend the method for the construction of neuro-fuzzy models based on a large samples.